کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6863033 | 1439403 | 2018 | 11 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Distant supervision for neural relation extraction integrated with word attention and property features
ترجمه فارسی عنوان
نظارت دقیق برای استخراج رابطه عصبی با توجه به ویژگی و ویژگی های یک کلمه یکپارچه شده است
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
نظارت دور استخراج رابطه عصبی، رمزگذاری احکام، توجه کلامی، ویژگی تکمیلی،
ترجمه چکیده
نظارت دقیق برای استخراج رابطه عصبی یک روش کارآمد برای استخراج روابط عظیم با اشاره به متون ساده است. با این حال، روش های عصبی موجود قادر به ضبط کلمات بحرانی در رمزگذاری جملات نیستند و در عین حال اطلاعات مفیدی برای برخی از نمونه های آموزشی مثبت وجود ندارد. برای رسیدگی به مسائل فوق، یک مدل جدید استخراج رابطه عصبی پیشنهاد می کنیم. اولا ما یک مکانیزم توجه در سطح یک کلمه را برای تشخیص اهمیت هر کلمه فرد در یک جمله توسعه می دهیم و وزن های توجه را برای آن کلمات انتقادی افزایش می دهیم. دوم، ما اطلاعات معنایی را از تعبیر کلمه نهادهای هدف بررسی می کنیم که می تواند به عنوان یک ویژگی اضافی برای استخراج کننده توسعه یابد. نتایج تجربی نشان می دهد که مدل ما بهتر از مقدمات قبلی پیشرفته است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
Distant supervision for neural relation extraction is an efficient approach to extracting massive relations with reference to plain texts. However, the existing neural methods fail to capture the critical words in sentence encoding and meanwhile lack useful sentence information for some positive training instances. To address the above issues, we propose a novel neural relation extraction model. First, we develop a word-level attention mechanism to distinguish the importance of each individual word in a sentence, increasing the attention weights for those critical words. Second, we investigate the semantic information from word embeddings of target entities, which can be developed as a supplementary feature for the extractor. Experimental results show that our model outperforms previous state-of-the-art baselines.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neural Networks - Volume 100, April 2018, Pages 59-69
Journal: Neural Networks - Volume 100, April 2018, Pages 59-69
نویسندگان
Jianfeng Qu, Dantong Ouyang, Wen Hua, Yuxin Ye, Ximing Li,